Одной из основных проблем в робототехнике является необходимость индивидуального обучения моделей машинного обучения для каждого робота, задачи и окружения. Новый проект, разработанный Google DeepMind и 33 другими исследовательскими учреждениями, предлагает решение этой проблемы. Целью является создание универсальной системы ИИ, способной работать с различными физическими роботами и выполнять множество задач.
Pannag Sanketi, старший инженер-программист в Google Robotics, отметил: “Роботы отлично справляются со специализированными задачами, но плохо адаптируются к новым условиям. Обычно для каждой задачи, робота и окружения требуется обучать отдельную модель”.
Проект под названием Open-X Embodiment вводит два ключевых компонента: набор данных, содержащий информацию о различных типах роботов, и семейство моделей, способных передавать навыки для широкого спектра задач. Эти модели были протестированы в робототехнических лабораториях на разных типах роботов и показали превосходные результаты по сравнению с обычными методами обучения.
Проект Open X-Embodiment был вдохновлен большими языковыми моделями (LLMs), которые при обучении на больших, общих наборах данных могут сравниваться или даже превосходить меньшие модели, обученные на узкоспециализированных наборах данных. Исследователи обнаружили, что этот принцип также применим к робототехнике.
Модель RT-1-X была протестирована на различных задачах в пяти исследовательских лабораториях на пяти распространенных роботах. По сравнению со специализированными моделями, разработанными для каждого робота, RT-1-X показала на 50% больший процент успеха в задачах, таких как перемещение объектов и открытие дверей.
Сергей Левин, доцент UC Berkeley и соавтор статьи, написал: “Такие модели обычно “никогда” не работают с первой попытки, но эта сработала”.
Исследователи рассматривают возможность интеграции текущих достижений с инновациями модели RoboCat от DeepMind. Кроме того, команда представила публике набор данных Open X-Embodiment и сокращенную версию модели RT-1-X.
Sanketi заключил: “Мы надеемся, что предоставление данных и моделей ускорит исследования. Будущее робототехники зависит от обучения роботов друг от друга и, что еще важнее, позволяет исследователям учиться друг у друга”.